CN110443405A - 一种光伏电站发电量预测系统及方法 - Google Patents
一种光伏电站发电量预测系统及方法 Download PDFInfo
- Publication number
- CN110443405A CN110443405A CN201910577264.6A CN201910577264A CN110443405A CN 110443405 A CN110443405 A CN 110443405A CN 201910577264 A CN201910577264 A CN 201910577264A CN 110443405 A CN110443405 A CN 110443405A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- photovoltaic
- photoelectric conversion
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000005855 radiation Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 230000032683 aging Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 16
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 4
- 238000004064 recycling Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 239000013589 supplement Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 abstract description 2
- 230000005693 optoelectronics Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 230000006855 networking Effects 0.000 description 4
- 101001073212 Arabidopsis thaliana Peroxidase 33 Proteins 0.000 description 2
- 101001123325 Homo sapiens Peroxisome proliferator-activated receptor gamma coactivator 1-beta Proteins 0.000 description 2
- 102100028961 Peroxisome proliferator-activated receptor gamma coactivator 1-beta Human genes 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000005622 photoelectricity Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本公开提供了一种光伏电站发电量预测系统及方法,采集环境影响因素、内在影响因素和发电量历史数据以及待测日数据,对采集到的数据进行去噪处理,根据内在影响因素计算组件实际光电转换效率,以环境影响因素和组件实际光电转换效率的历史数据为输入向量,对弹性自适应BP神经网络模型进行训练,重复利用历史时间段每天的太阳辐射强度、大气温度、组件实际光电转换效率和发电量进行模型优化,以待测日的环境影响因素和组件实际光电转换效率作为模型输入,输出待测日的发电量输出向量,通过拟合分析得到光伏组件实时光电转换效率值,减少了光伏组件内在变化所带来的影响,极大的提高了光伏电站发电量预测的准确性,为电力调度提供了准确的数据参考。
Description
技术领域
本公开涉及光伏电站技术领域,特别涉及一种光伏电站发电量预测系统及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
随着大规模光伏电站接入区域电网,各光伏电站运行条件各不相同,为电力调度部门统一预测各光伏电站发电量带来困难,因此,有必要对光伏电站,以最少的条件,预其发电量情况,为电力调度提供各光伏电站输出功率的预测数据,保障电网能量管理系统制定调度计划。现有的预测方法大多只关注光照、天气等外在环境情况,没有考虑光伏组件内在因素的变化所带来的光电转换效率的降低,从而导致发电量的预测并不准确,尤其是新型太阳能电池,如多晶PERC或者单晶PERC电池,它们的光衰严重,其光电转换效率随光照变化较大,单纯的只考虑环境因素进行光伏电站发电量的估算只能得到一个粗略的估值。
发明人在研究中发现,目前的光伏电站发电量预测存在以下问题:(1)光伏电站的发电量预测时没有综合考虑光伏组件的内在影响因素给发电效率所带来的影响;(2)光伏组件的光电转换效率随温度的升高和时间的延长而降低,目前发电量预测时仅考虑标准的光电转换效率,而没有考虑光伏组件实际的光电转换效率。
发明内容
为了解决现有技术的不足,本公开提供了一种光伏电站发电量预测系统及方法,综合了光伏电站的外在环境因素和内在影响因素进行光伏电站发电量的预测,并通过拟合分析得到光伏电站的实际光电转换效率值,极大的提高了光伏电站发电量预测的准确性,为电力调度提供了准确的数据参考。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供了一种光伏电站发电量预测系统;
一种光伏电站发电量预测系统,包括数据采集模块、数据处理模块和预测模型模块,所述数据采集模块用于采集光伏电站发电量的环境影响因素和内在影响因素历史数据及其所对应的光伏发电量历史数据,确定历史数据样本集,还用于采集待测日的环境影响因素和内在影响因素;
所述数据处理模块用于对采集到的数据进行去噪处理,根据内在影响因素计算实际光电转换效率,以环境影响因素和实际光电转换效率的历史数据为输入向量,以其所对应的光伏发电量的历史数据为输出向量,确定训练样本,并对训练样本行归一化处理;
所述预测模型模块用于根据归一化后的训练样本建模,以待测日的环境影响因素和实际光电转换效率作为模型输入,输出待测日的发电量预测值。
作为可能的一些实现方式,所述数据处理模块采用去燥自编码器对预测样本数据进行去噪处理,对缺损的数据进行补充。
作为可能的一些实现方式,所述环境影响因素包括太阳辐射强度和大气温度,所述内在影响因素包括组件出厂标称光电转换效率、光衰减曲线和老化衰减曲线;
作为可能的一些实现方式,所述数据处理模块还用于通过组件出厂光电转换效率、光衰减曲线和老化衰减曲线获取实际光电转换效率随时间变化曲线,并计算历史时间段内每日和待测日的光电转换效率值。
第二方面,本公开提供了一种光伏电站发电量预测方法;
一种光伏电站发电量预测方法,步骤如下:
采集光伏电站发电量的环境影响因素和内在影响因素及其所对应的发电量历史数据,确定历史数据样本集,同时采集待测日的环境影响因素和内在影响因素;
对采集到的数据进行去噪处理,根据内在影响因素计算组件实际光电转换效率,以环境影响因素和实际光电转换效率的历史数据为输入向量,以其所对应的光伏发电量的历史数据为输出向量,确定训练样本,并对训练样本行归一化处理;
建立弹性自适应BP神经网络模型,通过训练样本对模型进行训练,重复利用历史时间段每天的太阳辐射强度、大气温度、组件实际光电转换效率和发电量进行模型优化;
以待测日的环境影响因素和组件实际光电转换效率作为模型输入,输出待测日的发电量输出向量。
作为更进一步的限定,,环境影响因素包括太阳辐射强度和大气温度,所述内在影响因素包括组件出厂时的标称光电转换效率、光衰减曲线和老化衰减曲线。
作为可能的一实现方式,当内在影响因素为已知数据时,对采集到的标称光电转换效率、光衰减曲线和老化衰减曲线进行数据拟合,得到真实光电转换效率随时间变化曲线,间隔一定时间对光伏电站取一定比例的组件电池板进行光电转换效率检测,获取检测数据,求取平均值,通过检测数据平均值对光电转换效率随时间变化曲线进行修正。
作为可能的一些实现方式,当内在影响因素为未知数据时,抽取同型号同批次的一定数量的光伏组件以相同方式安装在光伏电站周边但不组网,每间隔一定时间对抽取的光伏组件进行光电转换效率检测,对检测到的光电转换效率进行数据拟合,得到光电转换效率随时间变化曲线。
作为可能的一些实现方式,对训练样本进行归一化处理,归一化公式为:
其中,i=1,2,…,ni,x* i为归一化处理前的预测输入向量中第i个分量,为归一化处理后预测输入向量中第i个分量,xi,min,xi,max分别为归一化处理前原始输入向量中第i个分量的最小值和最大值。
作为可能的一些实现方式,所述预测模型采用BP神经网络,具体建立过程包括以下步骤:
901构造BP神经网络,包括输入层、隐含层和输出层,输入层节点数为3k,包括待测日前k天的太阳辐射强度、大气温度和组件实际光电转换效率,决策层的节点数为l,为所选当天的发电量;隐含层的节点数为其中,m为隐含层节点数,ni为输入层节点数,l为输出层节点数,round为取整函数。
902所述BP神经网络为弹性自适应BP神经网络,其学习率和权值大小按弹性自适应规则进行调整,重复利用历史时间段每天的太阳辐射强度、大气温度、组件实际光电转换效率和发电量进行模型优化。
作为可能的一些实现方式,得到的光伏发电量预测输出向量经反归一化处理得到待预测日的预测光伏发电量向量,反归一化处理的公式为:
其中,为经过BP神经网络预测得到的反归一化处理前的光伏发电量预测输出向量中第i个分量,为反归一化处理后的预测光伏发电量向量中第i个分量,yi,min和yi,max分别为归一化处理前原始输出向量中第i分量的最小值和最大值。
与现有技术相比,本公开的有益效果是:
本公开所述的内容综合了光伏电站的外在环境因素和内在影响因素进行光伏电站发电量的预测,并通过拟合分析得到光伏电站实际的光电转换效率预测值,极大的提高了光伏电站发电量预测的准确性,为电力调度提供了准确的数据参考。
本公开所述的内容采用去燥自编码器对预测样本数据进行去噪处理,对缺损的数据进行补充,极大的提高了数据的完整性,从而实现对发电量的准确预测。
本公开所述的内容根据厂家标称的组件光电转换效率、光衰减曲线和老化衰减曲线,计算得到光伏组件的光电转换效率变化曲线,从而精准的得到预测日的组件光电转换效率,通过光伏电站的实际光电转换效率结合光伏电站发电量外在影响因素,实现对光伏电站发电量的精准预测。
本公开所述的BP神经网络为弹性自适应BP神经网络,其学习率和权值大小按弹性自适应规则进行调整,重复利用历史时间段每天的太阳辐射强度、大气温度、组件实际光电转换效率和发电量进行模型优化,从而极大的提高了模型预测的准确性。
本公开所述的内容对光伏组件的内在影响因素分为可知和不可知两种情况,实现了光电转换效率变换曲线的准确预测以获得预测日的真实光电转换效率,从而提高发电量预测的准确性。
附图说明
图1为本公开实施例1所述的光伏电站发电量预测系统结构示意图。
图2为本公开实施例2所述的光伏太阳能电池组件光电转换效率衰减曲线。
图3为本公开实施例2所述的光伏电站发电量预测方法示意图。
图4为本公开实施例2所述的光伏电站发电量预测方法流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所述,本公开实施例1提供了一种光伏电站发电量预测系统;
一种光伏电站发电量预测系统,包括数据采集模块、数据处理模块和预测模型模块,所述数据采集模块用于采集光伏电站发电量的环境影响因素和内在影响因素历史数据及其所对应的光伏发电量历史数据,确定历史数据样本集,还用于采集待测日的环境影响因素和内在影响因素;
所述数据处理模块采用去燥自编码器对预测样本数据进行去噪处理,对缺损的数据进行补充,以光伏发电量环境影响因素和内在影响因素的历史数据为输入向量,以其所对应的光伏发电量的历史数据为输出向量,确定训练样本,并对训练样本行归一化处理。
所述预测模型模块用于根据归一化后的训练样本建模,以待测日的环境影响因素和内在影响因素作为模型输入,输出待测日的发电量预测值。
所述环境影响因素包括太阳辐射强度和大气温度,所述内在影响因素包括组件出厂时的标称光电转换效率、光衰减曲线和老化衰减曲线,所述数据处理模块还用于通过组件出厂光电转换效率、光衰减曲线和老化衰减曲线获取光电转换效率随时间变化曲线,并计算历史时间段内每日和待测日的光电转换效率值。
实施例2:
如图2-4所示,本公开实施例2提供了一种光伏电站发电量预测方法;
一种光伏电站发电量预测方法,步骤如下:
采集光伏电站发电量的环境影响因素和内在影响因素及其所对应的发电量历史数据,确定历史数据样本集,同时采集待测日的环境影响因素和内在影响因素;
对采集到的数据进行去噪处理,根据内在影响因素计算组件实际光电转换效率,以环境影响因素和实际光电转换效率的历史数据为输入向量,以其所对应的光伏发电量的历史数据为输出向量,确定训练样本,并对训练样本行归一化处理;
建立弹性自适应BP神经网络模型,通过训练样本对模型进行训练,重复利用历史时间段每天的太阳辐射强度、大气温度、组件实际光电转换效率和发电量进行模型优化;
以待测日的环境影响因素和组件实际光电转换效率作为模型输入,输出待测日的发电量输出向量。
所述环境影响因素包括太阳辐射强度和大气温度,所述内在影响因素包括组件出厂时的标称光电转换效率、光衰减曲线和老化衰减曲线。
光伏组件综合衰减率是指光伏组件运行一段时间后,在标准测试条件下(AM1.5、组件温度25℃,辐照度1000W/m2)最大输出功率与投产运行初始最大输出功率的比值。
光伏组件衰减率的确定可采用加速老化测试方法和/或实地比对验证方法。
加速老化测试方法:利用环境试验箱模拟户外实际运行时的辐照度、温度、湿度等环境条件,并对相关参数进行加倍或加严等控制,以实现较短时间内加速组件老化衰减的目的,加速老化测试完成后,要标准测试条件下,对试验组件进行功率测试,依据衰减率公式,判定得出光伏组件发电性能的衰减率。
实地比对方法:自组件投产运行之日起,根据项目装机容量抽取足够数量的组件样品,由国家资质认定(CMA)的第三方检测实验室,按照GB/T 6495.1标准规定的方法,测试其初始最大输出功率后,与同批次生产的其他组件安装在同一环境下正常运行发电,运行之日起一年后再次测量其最大输出功率,将前后两次最大输出功率进行对比,依据衰减率计算公式,判定得出光伏组件发电性能的衰减率;
在实际中,光伏组件在制造出来后就一直处于衰减的状态,不过在包装内未见光时衰减非常慢,一旦开始接受太阳光照射后,衰减会急剧加快,衰减一定比例后逐渐稳定下来,如图1所示的第一年衰减曲线模型示意图,可以看到第一年光伏组件最大衰减值约为3%,后面24年每年衰减值约为0.7%,这只是一个组件单体的衰减值,换算到整个大规模电站,其对发电量的影响将非常巨大,因此,对光伏电站的发电量进行估算时,有必要考虑组件内在影响因素的影响。
当内在影响因素为已知数据时,对采集到的光伏电站中每个组件的标称光电转换效率、光衰减曲线和老化衰减曲线进行数据拟合,得到整个光伏电站的真实光电转换效率随时间变化曲线,间隔一定时间对光伏电站取一定比例的组件电池板进行光电转换效率检测,获取检测数据,求取平均值,通过检测数据平均值对光电转换效率随时间变化曲线进行修正。
当内在影响因素为未知数据时,抽取同型号同批次的一定数量的光伏组件以相同方式安装在光伏电站周边但不组网,每间隔一定时间对抽取的光伏组件进行光电转换效率检测,对检测到的光电转换效率进行数据拟合,得到光电转换效率随时间变化曲线;所选不组网的光伏组件可以用于电站内部供电,并且可以随时作为备件转用到组网的光伏电站中。
对训练样本进行归一化处理,归一化公式为:
其中,i=1,2,…,ni,x* i为归一化处理前的预测输入向量中第i个分量,为归一化处理后预测输入向量中第i个分量,xi,min,xi,max分别为归一化处理前原始输入向量中第i个分量的最小值和最大值。
采用去噪自编码器(denoising autoencoder,DAE)进行去噪处理,具体为:
1)初始化DAE网络参数;
2)训练第一层DAE,将其隐含层作为第2个DAE的输入,并进行同样的训练,直到第3层DAE训练完成;
3)将训练好的3层DAE进行堆叠形成DAE,向DAE网络顶层添加输出层;
4)利用样本数据和标签对整个网络进行有监督的微调。
所述预测模型采用BP神经网络,具体建立过程包括以下步骤:
构造BP神经网络,包括输入层、隐含层和输出层,输入层节点数为3k,包括待测日前k天的太阳辐射强度、大气温度和组件实际光电转换效率,决策层的节点数为l,为所选当天的发电量;隐含层的节点数为其中,m为隐含层节点数,ni为输入层节点数,l为输出层节点数,round为取整函数;
所述BP神经网络为弹性自适应BP神经网络,其学习率和权值大小按弹性自适应规则进行调整,重复利用历史时间段每天的太阳辐射强度、大气温度、组件实际光电转换效率和发电量进行模型优化;
具体优化方法采用如下公式:
ek(n)=dk(n)-mk(n) (6)
η(n)为第n次的学习率,a为大于1的常数,b为大于0小于1的常数,c为大于1的常数,E(n)为第n次的神经元误差,l为输出层节点个数,ek(n)为输出层第k个神经元经过n次迭代后的误差信号,dk(n)为输出层第k个神经元经过n次迭代后的期望输出,mk(n)为输出层第k神经元经过n次迭代后的实际输出,为第i层第j个神经元第n+1次的权值,△为第i层第j个神经元第n次的权值变化量,求解公式为:
表示第n次迭代后误差曲面的梯度方向,为第i层第j个神经元第n次的权值大小更新值,求解公式为:
得到的光伏发电量预测输出向量经反归一化处理得到待预测日的预测光伏发电量向量,反归一化处理的公式为:
其中,为经过BP神经网络预测得到的反归一化处理前的光伏发电量预测输出向量中第i个分量,为反归一化处理后的预测光伏发电量向量中第i个分量,yi,min和yi,max分别为归一化处理前原始输出向量中第i分量的最小值和最大值。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种光伏电站发电量预测系统,其特征在于,包括数据采集模块、数据处理模块和预测模型模块,所述数据采集模块用于采集光伏电站发电量的环境影响因素和内在影响因素历史数据及其所对应的光伏发电量历史数据,确定历史数据样本集,还用于采集待测日的环境影响因素和内在影响因素;
所述数据处理模块用于对采集到的数据进行去噪处理,根据内在影响因素计算光伏电站实际光电转换效率,以环境影响因素和实际光电转换效率的历史数据为输入向量,以其所对应的发电量的历史数据为输出向量,确定训练样本,并对训练样本行归一化处理;
所述预测模型模块用于根据归一化后的训练样本建模,以待测日的环境影响因素和实际光电转换效率作为模型输入,输出待测日的发电量预测值。
2.如权利要求1所述的光伏电站功率预测系统,其特征在于,所述数据处理模块采用去燥自编码器对预测样本数据进行去噪处理,对缺损的数据进行补充。
3.如权利要求1所述的光伏电站功率预测系统,其特征在于,所述环境影响因素包括太阳辐射强度和大气温度,所述内在影响因素包括组件出厂时的标称光电转换效率、光衰减曲线和老化衰减曲线,所述数据处理模块还用于通过组件出厂光电转换效率、光衰减曲线和老化衰减曲线获取光电转换效率随时间变化曲线,并计算历史时间段内每日和待测日的光电转换效率值。
4.一种光伏电站发电量预测方法,其特征在于,步骤如下:
采集光伏电站发电量的环境影响因素和内在影响因素及其所对应的发电量历史数据,确定历史数据样本集,同时采集待测日的环境影响因素和内在影响因素;
对采集到的数据进行去噪处理,根据内在影响因素计算组件实际光电转换效率,以环境影响因素和实际光电转换效率的历史数据为输入向量,以其所对应的光伏发电量的历史数据为输出向量,确定训练样本,并对训练样本行归一化处理;
建立弹性自适应BP神经网络模型,通过训练样本对模型进行训练,重复利用历史时间段每天的太阳辐射强度、大气温度、组件实际光电转换效率和发电量进行模型优化;
以待测日的环境影响因素和组件实际光电转换效率作为模型输入,输出待测日的发电量输出向量。
5.如权利要求4所述的光伏电站发电量预测方法,其特征在于,环境影响因素包括太阳辐射强度和大气温度,所述内在影响因素包括组件出厂时的标称光电转换效率、光衰减曲线和老化衰减曲线。
6.如权利要求5所述的光伏电站发电量预测方法,其特征在于,当内在影响因素为已知数据时,对采集到的标称光电转换效率、光衰减曲线和老化衰减曲线进行数据拟合,得到真实光电转换效率随时间变化曲线,间隔一定时间对光伏电站取一定比例的组件电池板进行光电转换效率检测,获取检测数据,求取平均值,通过检测数据平均值对光电转换效率随时间变化曲线进行修正。
7.如权利要求5所述的光伏电站发电量预测方法,其特征在于,当内在影响因素为未知数据时,抽取同型号同批次的一定数量的光伏组件以相同方式安装在光伏电站周边但不组网,每间隔一定时间对抽取的光伏组件进行光电转换效率检测,对检测到的光电转换效率进行数据拟合,得到光电转换效率随时间变化曲线。
8.如权利要求4所述的光伏电站功率预测系统,其特征在于,对训练样本进行归一化处理,归一化公式为:
其中,i=1,2,…,ni,x* i为归一化处理前的预测输入向量中第i个分量,为归一化处理后预测输入向量中第i个分量,xi,min,xi,max分别为归一化处理前原始输入向量中第i个分量的最小值和最大值。
9.如权利要求4所述的光伏电站功率预测系统,其特征在于,所述预测模型采用BP神经网络,具体建立过程包括以下步骤:
901构造BP神经网络,包括输入层、隐含层和输出层,输入层节点数为3k,包括待测日前k天的太阳辐射强度、大气温度和组件实际光电转换效率,决策层的节点数为l,为所选当天的发电量;隐含层的节点数为其中,m为隐含层节点数,ni为输入层节点数,l为输出层节点数,round为取整函数。
902所述BP神经网络为弹性自适应BP神经网络,其学习率和权值大小按弹性自适应规则进行调整,重复利用历史时间段每天的太阳辐射强度、大气温度、组件实际光电转换效率和发电量进行模型优化。
10.如权利要求4所述的光伏电站功率预测系统,其特征在于,得到的光伏发电量预测输出向量经反归一化处理得到待预测日的预测光伏发电量向量,反归一化处理的公式为:
其中,为经过BP神经网络预测得到的反归一化处理前的光伏发电量预测输出向量中第i个分量,为反归一化处理后的预测光伏发电量向量中第i个分量,yi,min和yi,max分别为归一化处理前原始输出向量中第i分量的最小值和最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910577264.6A CN110443405A (zh) | 2019-06-28 | 2019-06-28 | 一种光伏电站发电量预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910577264.6A CN110443405A (zh) | 2019-06-28 | 2019-06-28 | 一种光伏电站发电量预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443405A true CN110443405A (zh) | 2019-11-12 |
Family
ID=68428846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910577264.6A Pending CN110443405A (zh) | 2019-06-28 | 2019-06-28 | 一种光伏电站发电量预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443405A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047219A (zh) * | 2019-12-27 | 2020-04-21 | 新奥数能科技有限公司 | 一种光伏清洗的确定方法、装置、可读介质及电子设备 |
CN111144303A (zh) * | 2019-12-26 | 2020-05-12 | 华北电力大学(保定) | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
CN111258335A (zh) * | 2020-01-19 | 2020-06-09 | 广州发展新能源股份有限公司 | 一种光伏跟踪优化方法、装置、系统和存储介质 |
CN111489028A (zh) * | 2020-04-09 | 2020-08-04 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN111767274A (zh) * | 2020-06-23 | 2020-10-13 | 合肥阳光新能源科技有限公司 | 光伏电站发电时长计算方法和系统 |
CN113609197A (zh) * | 2021-07-15 | 2021-11-05 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力计量设备用关键元器件多维度检测数据的归一化方法 |
CN114279554A (zh) * | 2021-11-19 | 2022-04-05 | 国网内蒙古东部电力有限公司电力科学研究院 | 低温振颤传感器的多地同步自适应性能测试方法及系统 |
CN115276002A (zh) * | 2022-08-12 | 2022-11-01 | 国网安徽省电力有限公司营销服务中心 | 基于电力负荷曲线的配电性质智能研判方法 |
CN115514318A (zh) * | 2022-09-20 | 2022-12-23 | 江苏宁瑞惠能电气技术有限公司 | 一种光伏电站监控系统 |
CN117522156A (zh) * | 2023-10-17 | 2024-02-06 | 江苏尚诚能源科技有限公司 | 基于大数据分析的分布式光伏预测评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678872A (zh) * | 2013-09-27 | 2014-03-26 | 国家电网公司 | 一种光伏发电系统性能评估方法及装置 |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
CN105574612A (zh) * | 2015-12-14 | 2016-05-11 | 安徽工程大学 | 一种基于数据挖掘的光伏发电量预测方法 |
KR101635450B1 (ko) * | 2015-01-02 | 2016-07-01 | 상명대학교서울산학협력단 | 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템 |
CN107092994A (zh) * | 2017-06-21 | 2017-08-25 | 苏州协鑫新能源运营科技有限公司 | 一种预测供电量的方法 |
-
2019
- 2019-06-28 CN CN201910577264.6A patent/CN110443405A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678872A (zh) * | 2013-09-27 | 2014-03-26 | 国家电网公司 | 一种光伏发电系统性能评估方法及装置 |
KR101635450B1 (ko) * | 2015-01-02 | 2016-07-01 | 상명대학교서울산학협력단 | 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템 |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
CN105574612A (zh) * | 2015-12-14 | 2016-05-11 | 安徽工程大学 | 一种基于数据挖掘的光伏发电量预测方法 |
CN107092994A (zh) * | 2017-06-21 | 2017-08-25 | 苏州协鑫新能源运营科技有限公司 | 一种预测供电量的方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144303A (zh) * | 2019-12-26 | 2020-05-12 | 华北电力大学(保定) | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
CN111047219A (zh) * | 2019-12-27 | 2020-04-21 | 新奥数能科技有限公司 | 一种光伏清洗的确定方法、装置、可读介质及电子设备 |
CN111258335A (zh) * | 2020-01-19 | 2020-06-09 | 广州发展新能源股份有限公司 | 一种光伏跟踪优化方法、装置、系统和存储介质 |
CN111489028A (zh) * | 2020-04-09 | 2020-08-04 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN111767274A (zh) * | 2020-06-23 | 2020-10-13 | 合肥阳光新能源科技有限公司 | 光伏电站发电时长计算方法和系统 |
CN113609197A (zh) * | 2021-07-15 | 2021-11-05 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力计量设备用关键元器件多维度检测数据的归一化方法 |
CN114279554A (zh) * | 2021-11-19 | 2022-04-05 | 国网内蒙古东部电力有限公司电力科学研究院 | 低温振颤传感器的多地同步自适应性能测试方法及系统 |
CN115276002A (zh) * | 2022-08-12 | 2022-11-01 | 国网安徽省电力有限公司营销服务中心 | 基于电力负荷曲线的配电性质智能研判方法 |
CN115514318A (zh) * | 2022-09-20 | 2022-12-23 | 江苏宁瑞惠能电气技术有限公司 | 一种光伏电站监控系统 |
CN115514318B (zh) * | 2022-09-20 | 2023-09-29 | 北京华电科能科技有限公司 | 一种光伏电站监控系统 |
CN117522156A (zh) * | 2023-10-17 | 2024-02-06 | 江苏尚诚能源科技有限公司 | 基于大数据分析的分布式光伏预测评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443405A (zh) | 一种光伏电站发电量预测系统及方法 | |
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN105426956B (zh) | 一种超短期光伏预测方法 | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
CN110070226A (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
CN109376951B (zh) | 一种光伏概率预测方法 | |
CN109002915A (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
Wang et al. | Cloud feature extraction and fluctuation pattern recognition based ultrashort-term regional PV power forecasting | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN108320050B (zh) | 一种基于风速预报提高光伏短期功率预测精度的方法 | |
Dokur | Swarm decomposition technique based hybrid model for very short-term solar PV power generation forecast | |
CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN104361399A (zh) | 太阳能辐照强度分钟级预测方法 | |
CN111242371A (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
Jun-Ma et al. | Photovoltaic power generation prediction based on MEA-BP neural network | |
CN115765044A (zh) | 风光水电系统联合运行及风险分析方法和系统 | |
Zhang et al. | Forecast of photovoltaic power generation based on DBSCAN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |